标签
Introduces CALCoDe, a post-hoc reliability layer for frozen medical vision-language models that mitigates class-tail undercoverage under clinical shift, achieving strong worst-class accepted coverage across multiple dermatology shifts and VLM backbones.
介绍了锐度引导均衡采样（SGS），该方法利用锐度估计动态调整采样概率，以在长尾学习中实现平衡的平坦极小值，在CIFAR-100 LT和ImageNet-LT上取得了显著提升。
一个联邦学习研究项目揭示，全局准确率可能掩盖网络入侵检测中少数攻击类别的灾难性失败，表明每个客户端的性能及聚合方法的选择对于罕见攻击检测至关重要。
本文比较了层级攻击性语言检测中的级联模型与联合多任务模型，发现级联架构以增加参数和推理延迟为代价获得了更高的准确率，并且类别不平衡处理策略应通过消融实验进行验证。
提出了一种层次感知的RoBERTa框架，用于在CWE分类法中分类网络安全漏洞，表明层次感知表示学习在处理类别不平衡方面比过采样技术更有效。
本文揭示了标准边际共形预测在不平衡虚拟筛选数据集中无法覆盖少数类，并展示了类条件（Mondrian）共形预测如何恢复每类覆盖。
论文提出了FedCGNM，一种客户端优化器，通过将类别分组并对每个组的动量进行归一化来处理联邦学习中的类别不平衡问题，同时引入FedHOO以实现高效的超参数探索。实证结果表明在基线方法上具有一致的改进。
本文介绍了SemiScope，一种旨在将半监督安全分类中分类器调优的影响与联合SSL及分类器优化的影响分离开来的分析工具。结果表明，通过贝叶斯优化简单地调整分类器及其决策阈值，即可恢复大部分归因于联合优化的性能提升。
提出BP-TTA，一种通过结合批次平衡采样与原型指导约束来处理类别不平衡和持续域偏移的测试时自适应方法，在动态流式场景中实现了最先进的性能。
本文研究了软件缺陷预测中神经网络的训练动态如何受到类不平衡和类重叠等耦合数据质量问题的影响，并提出了一种交互感知的实证协议。
提出TMR-GGNN，一种用于信用卡欺诈检测的时间感知多关系图神经网络，通过对比学习和焦点损失处理不平衡数据和不断演变的欺诈模式。
提出RGNet，一种基于重整化群理论的神经网络架构，用于特征空间的分层粗粒化，以解决故障诊断中的类别不平衡和噪声问题。在AI4I数据集上的实验结果表明，RGNet提供了可解释且具有竞争力的性能。
本文介绍nCMD，一种面向不平衡网络入侵检测的良性锚定特征选择方法，该方法通过特征与良性类均值的偏差来评分，在基准数据集上优于经典过滤器。
本文提出了一种新颖的主动学习框架，利用基础模型先验来同时解决类别不平衡和标签噪声问题，在图像和文本领域相比基线方法节省了超过50%的标注成本。
本文提出了一种混合架构，将FT-Transformer与梯度提升树通过校准感知的堆叠方法相结合，用于结构化表格数据上的客户流失预测。在一个公开的银行客户流失数据集上，该方法在F1和AUC-ROC指标上取得了改进。
本文提出了一种迭代不平衡感知微调方法，使用 Qwen3-8B 和 QLoRA 进行心理防御机制分类，在 PsyDefDetect 2026 共享任务中取得了 0.3917 的宏 F1 分数，在 21 支队伍中排名第 4。
本文将经典的类别不平衡技术应用于表格分类的先验数据拟合网络（PFNs），发现由于PFNs的校准特性和有限数据能力，阈值法和降采样法表现良好。
本文介绍了yvsoucom-iterkit，一个确定性的日志驱动AutoML框架，用于医疗风险预测中可复现的流水线优化。在糖尿病和中风数据集上评估了超过18,000个流水线配置，取得了强劲的性能，并揭示了具有组件冗余的结构化搜索空间。
本文研究了从少样本学习中采用情节采样（episodic sampling）用于医学图像分割中的类别平衡批次构建，表明在低数据条件下由于减少过拟合和延长训练迭代而提高了性能，代码可在GitHub上获取。
本文对在严重类别不平衡条件下预测财务困境的经典方法、集成方法和神经网络方法进行了比较评估，使用SMOTE进行过采样，SHAP进行可解释性分析。